提出了一种非参数的动态网络多组成员模型，通过距离依赖的印度 Buffet 过程对单独组的诞生和死亡进行建模，通过因子隐马尔科夫模型对个体节点组成员身份的演变进行捕捉，通过显式建模组的连接结构来解释网络结构的动态性。该模型通过在各种不同类型的网络数据中识别潜在组的动态性，证明了其在未来网络预测和丢失链路预测上提供了更好的预测性能。

Nov, 2013

通过对随机二进制网络的均方配 contingency 系数的差异（常数或随机）进行最小化，验证了概率生成模型对各种流行图模型的表示能力。

Jul, 2023

提出了一个用于表示随机过程网络的图形模型 —— 最小生成模型图。该模型是基于时间上联合分布的简化因子化建立的，可以量化 Granger 因果性，并开发了高效的方法来从数据中估计拓扑结构。该算法已在 Twitter 网络的分析上得到了验证。

Apr, 2012

本文提出了一个新颖的概念，图互信息（Graphical Mutual Information，GMI），用于无监督地将图结构数据中的丰富信息提取到嵌入空间中进行表示学习，同时运用 GMI 开发了无监督学习模型并在节点分类和链接预测等任务上表现出明显的优越性。

Feb, 2020

利用商结构开发高效算法进行多重相关随机变量的图形建模及统计分析在图形数据的生成建模中具有广泛应用，使用多个问题领域的数据集演示了此框架的高效性和准确性。

Sep, 2019

本文提出了两种估计多个相关图的方法，并将亲密度假设转化为经验先验或组惩罚。我们提供了定量结果，证明了所提出方法的优势。该论文介绍的方法已嵌入 R 软件包'simone' 版本 1.0-0 及更高版本中。

Dec, 2009

提出了一种新的自然算法，用于从样本中学习一般离散图形模型（即马尔可夫随机场）的图结构，它是一种贪心的算法，并且具有较低的计算复杂度，并且通过节点度数、图大小以及因子图的环来表征其样本复杂度，在此基础上将其专门用于 Ising 模型。

Feb, 2012

通过基于高斯分布的傅里叶分析属性，我们提出了一个新的估计器，可从在网络上重复测量的高斯自由场图中估计加权网络的结构（等价地，其拉普拉斯矩阵），并展示了具体的恢复保证和所需样本复杂度的界限。

Aug, 2023

基于高斯过程方法的解释性高斯过程框架用于数据驱动的计算超图的发现和完成，可应用于方程发现、网络发现和原始数据分析。

Nov, 2023

本文提出了一种新的非参数贝叶斯多成员潜在特征模型，用来分析复杂网络中的潜在结构，并展示了其在提高潜在结构学习和压缩表示方面的优势。

Jan, 2011